量子科技中心_量科网

光学层析成像图可被视为模式。Wasserstein生成对抗网络（WGAN）算法为训练机器比较输入与生成层析图的对应模式提供了平台。通过采用包含两个卷积神经网络和WGAN的深度学习框架，该研究团队已训练机器生成福克态、相干态（CS）及单光子叠加相干态（1-PACS）的层析图。训练过程持续进行，直至输入与输出层析模式间的Wasserstein距离稳定在较低值。研究人员直接从生成的层析图中提取平均光子数、方差及高阶矩，无需额外分类神经网络即可区分不同福克态，以及相干态与1-PACS态。该工作通过两种误差模型和不同定义层析图的色谱图验证了结果的稳健性。 研究还检验了训练程序是否成功复现了近期实验的部分发现——该实验通过态重构证实放大相干态、最优相干态与1-PACS态在参数值范围内的保真度接近1。通过训练机器生成这些特定态对应的层析图，并直接比较从层析图获得的平均光子数，该团队证实这些可观测量变化反映了实验趋势。由于光量子化的希尔伯特空间通常较大，从层析图进行态重构可能具有挑战性。层析方法为详细态重构提供了可行替代方案。本工作展示了利用机器学习生成光学层析图并直接表征量子态的有效途径。